斯坦福大学机器学习教程 个人笔记

《斯坦福大学机器学习教程 个人笔记》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、摘要本笔记是针对斯坦福大学2014年机器学习课程视频做的个人笔记最后修改：2016-02-29黄海广haiguang2000@qq.com斯坦福大学2014机器学习教程个人笔记（V4.0）斯坦福大学2014机器学习教程中文笔记课程概述MachineLearning(机器学习)是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。在过去的十年

2、中，机器学习帮助我们自动驾驶汽车，有效的语音识别，有效的网络搜索，并极大地提高了人类基因组的认识。机器学习是当今非常普遍，你可能会使用这一天几十倍而不自知。很多研究者也认为这是最好的人工智能的取得方式。在本课中，您将学习最有效的机器学习技术，并获得实践，让它们为自己的工作。更重要的是，你会不仅得到理论基础的学习，而且获得那些需要快速和强大的应用技术解决问题的实用技术。最后，你会学到一些硅谷利用机器学习和人工智能的最佳实践创新。本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括：（一

3、）监督学习（参数/非参数算法，支持向量机，核函数，神经网络）。（二）无监督学习（聚类，降维，推荐系统，深入学习推荐）。（三）在机器学习的最佳实践（偏差/方差理论；在机器学习和人工智能创新过程）。本课程还将使用大量的案例研究，您还将学习如何运用学习算法构建智能机器人（感知，控制），文本的理解（Web搜索，反垃圾邮件），计算机视觉，医疗信息，音频，数据挖掘，和其他领域。本课程需要10周共18节课，相对以前的机器学习视频，这个视频更加清晰，而且每课都有ppt课件，推荐学习。本人是中国海洋大学2014级博士生，目

4、前刚开始接触机器学习，我下载了这次课程的所有视频和课件给大家分享。中英文字幕来自于https://www.coursera.org/course/ml，主要是教育无边界字幕组翻译，本人把中英文字幕进行合并，并翻译了部分字幕，对视频进行封装，归类，并翻译了课程目录，做好课程索引文件，希望对大家有所帮助。部分视频中文字幕由中国海洋大学的博士生翻译。视频已经翻译完毕，如果下载了视频，可以直接在文档中打开视频，内嵌中英文字幕。目前我正在整理中文笔记，主要是根据视频内容和中文字幕以及ppt来制作，部分来源于网络，如

5、“小小人_V”的笔记，并持续更新。本人水平有限，如有公式、算法错误，请及时指出，发邮件给我。黄海广2014-12-16夜n文档修改历史版本号版本日期修改总结修订人1.02014.12.16创建初稿黄海广1.12014.12.31修改黄海广2.02015.02.17修改黄海广2.12015.02.23修改黄海广2.22015.03.02修改黄海广2.32015.03.14修改一些错误，增加了第十章的一些内容黄海广2.42015.05.02修改第十二章一些错误黄海广2.52015.05.13补充第九章部分内容

6、黄海广3.02016.01.11增加第五章OCTAVE操作内容黄海广3.12016.01.15修改部分错误黄海广3.22016.02.15补充第二章部分内容黄海广3.32016.02.19补充第六章内容黄海广4.02016.02.24修改第十一章一些错误黄海广目录第1周1一、引言(Introduction)11.1欢迎11.2机器学习是什么？41.3监督学习61.4无监督学习10二、单变量线性回归(LinearRegressionwithOneVariable)152.1模型表示152.2代价函数182.

7、3代价函数的直观理解I202.4代价函数的直观理解II212.5梯度下降232.6梯度下降的直观理解262.7梯度下降的线性回归292.8接下来的内容31三、线性代数回顾(LinearAlgebraReview)323.1矩阵和向量323.2加法和标量乘法343.3矩阵向量乘法353.4矩阵乘法363.5矩阵乘法的性质373.6逆、转置38第2周39四、多变量线性回归(LinearRegressionwithMultipleVariables)394.1多维特征394.2多变量梯度下降414.3梯度下降法

8、实践1-特征缩放434.4梯度下降法实践2-学习率454.5特征和多项式回归464.6正规方程484.7正规方程及不可逆性（可选）51五、Octave教程(OctaveTutorial)525.1基本操作525.2移动数据595.3计算数据685.4绘图数据755.5控制语句：for，while，if语句815.6向量化875.7工作和提交的编程练习92第3周95六、逻辑回归(LogisticRegression)956.1分